Wetenschappers van de Universiteit van Florida hebben een methode ontwikkeld waarmee de hersentumoren beter geclassificeerd kunnen worden voor wat betreft de tumorgraad. De methode maakt gebruik van een combinatie van massaspectrometrie en machine learning algoritmes. In de publicatie van het onderzoek beschrijven de wetenschappers hoe deze hulpmiddelen de metabolomische en lipidomische karakterisering van meningeoom tumoren kunnen verfijnen.
Juiste tumorgraad cruciaal voor behandeling
Meningeoomtumoren komen relatief veel voor, maar een nauwkeurige beoordeling van de tumorgraad, die in vier gradaties wordt ingedeeld, is van groot belang voor het bepalen van het ziekteverloop en de behandeling. Graad I-tumoren groeien doorgaans langzaam en zijn minder bedreigend. Daardoor richt de de behandeling van deze tumoren zich op het verwijderen van de tumor, gevolgd door een periode waarbij de patiënt gemonitord wordt. De zogenoemde graad III-tumoren zijn agressiever en vereisen zowel verwijdering als bestraling.
Tumoren die als graad-II geclassificeerd worden, bevinden zich in een grijs gebied. Die zijn vaak nog redelijk goedaardig, maar kunnen zich in sommige gevallen wel ontwikkelen tot een meer kwaadaardige graad-III tumor. “Moeten we hem eruit halen en kijken of hij terugkomt? Of kiezen wr na verwijdering ook voor een bestraling om eventuele terugkeer te voorkomen?”, aldus Jesse L. Kresak, MD, klinisch universitair hoofddocent aan de afdeling pathologie, immunologie en laboratoriumgeneeskunde aan de universiteit van Florida.
Analyse meningeoom monsters
Met name het dilemma waar artsen mee te maken krijgen bij de graad-II tumoren, bracht de wetenschappers op het idee om een aanpak te ontwikkelen die de evaluatie van meningeoom tumoren verbetert en de behandelbeslissingen van artsen beter begeleidt. Daarvoor analyseerden zij 85 meningeoom monsters waarvan de chemische profielen van de kleine moleculen en vetten van elke tumor beschikbaar waren. Hierdoor konden de onderzoekers de verschillen tussen tumorgraden nauwkeuriger karakteriseren en potentiële biomarkers identificeren die behulpzaam zouden zijn voor de diagnose.
In eerste instantie lagen er geen plannen om machine-learning algoritmes in het onderzoek op te nemen. Men koos ervoor om de bijproducten van het metabolisme in de tumorcellen te analyseren. Daarmee werd dan een chemische ‘vingerafdruk’ gemaakt die zou helpen onderscheid te maken tussen goedaardige en kwaadaardige tumoren.
Machine-learning
De onderzoekers realiseerden zich echter dat de integratie van machine-learning aanvullende inzichten zou kunnen opleveren. “Nadat we erover hadden gesproken, wisten we dat we met behulp van machine-learing dingen konden vinden waartoe we zelf niet in staat zijn”, legt Timothy J. Garrett, PhD, co-auteur van het artikel en universitair hoofddocent uit. Het gebruik van machine-learning maakte het tumorevaluatieproces aanzienlijk efficiënter. Kresak merkte op dat wanneer ze een meningeoom tumor diagnosticeert, ze in tien minuten ongeveer twintig datapunten kan beoordelen. Met ML werden 17.000 datapunten in minder dan een seconde geanalyseerd.
Het toevoegen van machine-learning voor het bepalen van de tumorgraad leidde niet tot significante dalingen in de nauwkeurigheid. Van de geteste modellen classificeerde een van de machine-learning-modellen de tumorgraden met een aanvankelijke nauwkeurigheid van 87 procent, wat volgens de onderzoekers verbeterd zou kunnen worden door de toevoeging en analyse van meer monsters.
De methode die door de Amerikaanse wetenschappers nu ontwikkeld is, is niet uniek. Zo ontwikkelden Nederlandse onderzoekers van het UMC Utrecht, het Prinses Máxima Centrum voor kinderoncologie en Amsterdam UMC een razendsnelle innovatieve methode voor tumorclassificatie. Daarvoor maken ze gebruik van twee relatief nieuwe technologieën, te weten nanopore-sequencing en deep learning, om het DNA van de tumor razendsnel te analyseren.
